Beyond the Role · 2025
설비 로그를 모아 가시화하고, 데이터로 개선안을 추천한 3개월 AX 과제
01 · 개요
14
분석 대상 설비
2.8M
분석한 로그 건수
3
개선안 제안 (1건 채택)
회사가 팀마다 AX 담당자를 한 명씩 두기로 하면서, PLM 데이터 구조를 가장 잘 아는 사람으로 팀의 AX 담당에 선정됐습니다. 첫 과제로 생산기술팀이 가장 답답해하던 설비 비가동 원인 찾기를 골랐습니다. 설비마다 로그 형식이 달라, 비가동이 생겨도 원인을 찾는 데 하루 이상이 걸렸습니다.
추천의 핵심은 통계와 규칙 기반 분석입니다. 생성형 AI는 설비마다 다르게 적힌 알람 메시지를 같은 유형으로 묶는 분류 작업에 보조로 사용했고, 분류 결과는 생산기술 담당자가 모두 검토했습니다.
02 · 의사결정
이 프로젝트에서 내린 결정 3가지입니다. 제목을 누르면 상황·선택지·결정·결과를 볼 수 있습니다.
처음에는 공장 전체 설비 120대를 대상으로 하자는 의견이 많았습니다. 하지만 기간은 3개월이었고, 설비마다 로그를 꺼내는 방법부터 달랐습니다.
지난 1년 비가동 기록을 보니 한 라인이 전체 비가동 시간의 38%를 차지했습니다. 넓게 보면 3개월 안에 데이터 정리만 하다 끝날 것이라 판단해, 그 라인의 설비 14대로 범위를 좁혔습니다.
데이터 정리를 5주 안에 끝내고, 남은 기간을 분석과 현업 검증에 쓸 수 있었습니다.
“AX 과제”인 만큼 고장 예측 모델을 만들자는 기대가 있었습니다. 하지만 학습에 쓸 만한 고장 기록은 6개월 동안 23건뿐이었습니다.
23건으로 만든 모델은 정확도를 장담할 수 없고, 왜 그렇게 예측했는지 현업에 설명하기도 어렵다고 판단했습니다. 설명할 수 있는 규칙 기반 추천을 먼저 만들고, 생성형 AI는 제각각인 알람 메시지를 유형별로 묶는 보조 작업에만 쓰기로 했습니다.
생산기술 담당자가 추천 근거를 직접 확인할 수 있어 검증이 빨랐습니다. 데이터가 더 쌓이면 예측 모델을 검토하기로 다음 단계에 남겼습니다.
첫 버전은 “이 설비는 금형 교체 주기를 앞당기세요”처럼 결론만 보여 줬습니다. 생산기술팀의 반응은 “왜요?“였습니다.
현업은 확률 숫자보다 “내가 아는 그날의 상황“과 맞는지를 먼저 확인했습니다. 추천을 누르면 근거가 된 로그 구간이 타임라인에 바로 표시되도록 바꿨습니다.
3건의 개선안 중 금형 교체 주기 조정 1건이 채택돼 해당 설비에 시범 적용됐습니다.
03 · 결과
What I learned
AX 과제의 첫 단계는 모델이 아니라 데이터를 믿을 수 있게 만드는 일이었습니다. PLM에서 제품 데이터를 표준화했던 경험이 설비 로그를 정리하는 기준이 됐고, 현업이 추천을 받아들이게 한 것은 정확도 숫자보다 근거 로그를 함께 보여 준 화면이었습니다.